人工智能，“嘴炮”之外更要看体系

1）人工智能是什么？人工智能是一种生产经营方式的改变

过去，人们为了提高效率，将整个生产流程分解成一个个重复、简单、高效的流程，把作坊扩大成为流水线。后来，为了进一步提高效率，这种流水线思维也逐渐扩展到商务和管理领域。企业为了将整个商务流程变得可管理、可复制，将整个业务流程分解为一个个需要单一技能的岗位，每个岗位上的职员都具备一定的专业知识来完成商务或管理流程中的一个环节。但是问题却出现了。

与流水线不同，企业的商务和管理通常是一个快速变化的体系，他需要比流水线具备更高的弹性和扩展性。为了应对这一要求，企业对职员的要求变得更高，除了技能之外更需要分析能力和判断能力。这种能力往往需要更长的时间和更高的成本才能培养出来，而一旦分析和判断的标准发生改变，职员就需要重新学习和适应，进一步推高企业的成本。在企业面临内部和外部的剧烈变动时，会有更多员工的技能、分析判断能力受到挑战，需要重新学习，而这样很有可能让企业业务和管理变得充满风险和不可控。

人工智能的出现则让企业看到了解决这一难题的曙光。人工智能本身是一个用来完成特定任务且拥有学习和进化能力的计算机程序，通过对这个程序进行不断的训练和纠正，这个程序将拥有投入实际应用的能力，这与人类通过学习获得技能的过程非常相似。而人工智能学习过程的快慢则取决于运行训练这个程序的硬件平台的性能。

而一旦企业获得了具备某一功能的人工智能程序之后，企业便可以通过将运行它的硬件平台的横向扩展，以极低的成本和极高的速度迅速强化这一能力，从而在最终的商业竞争中取得更大的优势。由此，知识的获取和能力的培训都变得异常迅速且可复制，企业也就获得了从旧有生产经营模式中跳出来，迈向更高层级的机会。

那么问题来了，企业如何更快的迈入人工智能时代呢？

从上面的分析我们可以知道，打开人工智能时代的钥匙有两把，一是人工智能程序本身，二是运行这些程序的硬件平台。

程序需要有经验、懂技术的程序员一行一行地写，而程序员也只能用传统的方法慢慢地培训;这一点完全急不得。所以整个业界和资本的焦点就集中在了运行和训练人工智能程序的硬件平台上。

2）人工智能硬件平台：嘴炮背后的实力对比

科技圈有个惯例：凡是热点领域都有至少两家企业“互喷”。

故事起源于英特尔在发布其众核架构新品——Xeon Phi时所使用的一张PPT。

在这张PPT中英特尔表示其最新发布的Xeon Phi产品在深度学习的训练应用中，在4节点情况下计算AlexNet模型时比GPU快2.3倍，而在32节点情况下计算GoogleNet模型时比GPU效率提升38%，并且能够扩展至更加庞大的128节点(英特尔表示GPU还没有同样规模的系统性能数据)。

就是这张公开发布的PPT引起了深度学习硬件平台领域另一家当红公司——NVIDIA的强烈反弹。NVIDIA加速计算业务副总裁Ian Buck在看到这张PPT后立即撰文，大意是说英特尔公布的PPT中所包含的数据是在使用旧版测试工具和更旧的对比竞品时得到的。简单来说，NVIDIA觉得这张PPT里的测试是不公平的。

此后，NVIDIA又不依不饶地表示看不清英特尔在人工智能、机器学习、深度学习方面的发展主线。

可以说，英特尔在人工智能及相关方面的大力投入让NVIDIA感受到了危机，并且引起了这场激烈的“嘴炮大战”。

人工智能以及相关硬件技术确实能够在未来产生颠覆性的影响，而这也意味着一个难以估量的巨型市场正在逐渐形成。抛开早年间英特尔和NVIDIA在主板芯片组方面的恩怨不谈，在这样一个巨大的风口面前，两家显然都不想放过任何一个超越对手的机会。

对比两家的产品和技术，NVIDIA的优势在于更早介入深度学习领域以及针对这一计算类型的多代产品积累。而反观英特尔，故事明显就要复杂很多。

3）英特尔的人工智能版图

与NVIDIA主营GPU及其衍生品不同，英特尔的产品线长度在核心硬件圈子里绝对是首屈一指的。

日前，英特尔销售与市场事业部副总裁夏乐蓓女士以及英特尔中国研究院院长宋继强博士现身说法，为媒体展示了英特尔在人工智能领域的整体布局情况。

英特尔销售与市场事业部副总裁夏乐蓓女士

英特尔中国研究院院长宋继强博士

从英特尔给自己的定位来看，其在人工智能里的故事将会包含多条主线，这些主线涵盖了从高端到低端、从前端到后端的几乎全部领域。

1、  深度学习

深度学习绝对是人工智能领域最高精尖的部分。人工智能程序是程序员写的，但要让人工智能程序从一个理论算法进化到能够在实际应用中发挥强大能力的生产工具却需要几百万甚至上千万次的训练。而英特尔Xeon Phi的其中一个应用就是为了加速这一训练过程。

当年深蓝战胜卡斯帕罗夫，背后光是训练和改进算法的时间就花了一年多;而谷歌AlphaGo战胜李世乭，从公开的消息来看，其训练时间也在半年以上。而借助大规模部署的Xeon Phi，未来人工智能的训练时间有望缩短至数周甚至数天，这就大大加速了人工智能程序在变幻莫测的市场中的实用价值。

2、  人工智能部署(一)

训练好的人工智能需要在实际生产环境中大规模部署才能最大程度的发挥效用。在这一场景中，企业需要的是高性价比、横向扩展的计算平台。针对这种需求，英特尔给出的解决方案则是至强系列平台。

由于有大量的供应商提供众多形态的至强服务器产品，企业可以根据自己的基础架构形态选择适合自己的产品进行快速部署和扩展。如果还嫌性能不够，Xeon Phi也可以加入这一行列之中以实现更高的性能。

而由于至强平台的通用特性，一旦某个人工智能程序已经过时，企业还可以将这些硬件资源通过资源池的形式灵活地划拨给其他应用。

3、  人工智能部署(二)

除了至强+Xeon Phi的组合，英特尔其实还有一套Plan B，那就是FPGA。

作为一种可编程的大规模集成电路，FPGA能够帮助企业在性能和成本之间取得另外一种平衡。

在针对特定算法时，优秀的FPGA编程可以实现远高于通用平台的性能。其结果就是企业可以用更小的空间、更少的设备和能源实现在特定算法上的更高性能。而其实现速度也要比开发固化算法的ASIC更快，成本也相对更低。

在这方面，英特尔先是收购了老牌劲旅Altera，获得了FPGA产品研发能力;然后又收购了人工智能云服务企业Nervana，获得了将流行的人工智能算法固化成硬件芯片的能力以及人工智能程序开发和运行所需的大量函数库资源。显然，英特尔下一步的计划便是针对人工智能算法的FPGA产品。

4、  人工智能前端

人工智能程序相当于人的大脑，负责做出判断，而其做出判断的依据就是数据。在很多场景中，人工智能想要发挥作用就需要大量实时采集的数据作为基础，而那些负责采集实时数据的硬件便是人工智能的前端。

对于很多机器人或移动终端等前端设备来说，设备本身的处理能力、存储空间、能源储备都比较有限，庞大且复杂的人工智能主程序无法在这些设备上安家。而如果这些设备上的传感器直接把采集的信息回传到云端的人工智能程序处则需要浪费大量的网络带宽和时间。因此，前端设备就需要具备将采集到的原始信息进行预处理的能力。通过将传感器采集到的信息进行筛选和提炼，机器人或移动终端在实现人工智能应用时就可以大幅降低对能源、网络、时间等资源的消耗，从而实现人工智能在更广范围内的应用。

在这方面，英特尔拥有众多产品：

首先是Curie平台，它像是一个针对可穿戴场景的微型全功能电脑，通过集成的众多传感器，Curie可以收集并处理各种生理、运动信息并将之回传给云端的人工智能程序。而一旦得到云端人工智能的反馈结果，Curie平台也可以控制其他设备给人提供帮助或建议。

其次则是能够将视觉信息进行采集和处理的Euclid平台。Euclid平台所除了搭载Atom处理器、网络、存储和电池等模块之外还会集成RealSense相机，其作用是负责对视觉信息进行采集和预处理，提炼出其中关于形状、体积、距离等要素的关键信息，方便无人汽车、无人机等应用的最终实现。

5、  软件及开发支持

英特尔本身虽然是一家硬件公司，但他却拥有数万人的软件工程团队，其目的就是为开发者提供更好的支持，帮助开发者更方便的完成软件开发并且更高效的利用英特尔硬件。

而在人工智能领域，英特尔与开源社区始终保持着密切的合作，会将自己开发的补丁、工具无偿的回馈给开源社区。同时，英特尔在人工智能领域还拥有海量的函数库和开发工具，这些函数库和工具经过了针对英特尔底层硬件的大幅优化，能够让开发者实现更简单的开发以及更高的软件性能。

4）人工智能，体系更重要

人工智能的出现让那些过去需要经年累月培训和大把成本才能获得的能力变成一种可以快速制造、快速复制的廉价资源。这种深刻的变革不仅能够帮助企业获得更高的效率和竞争力，更能够把人从“生产工具”的属性中慢慢解放出来。而这种解放正是所有乌托邦式美好幻想的隐藏条件。在这条通向未来的道路上，所有企业都不会停下脚步，竞争也不会停止。而在这种竞争中，英特尔所追求的则是一种体系上优势。

从前端到后端，从硬件到软件，英特尔在人工智能的实现与应用方面为企业和开发者提供了多条不同的路径及解决方案，能够帮助不同层次、不同应用的人工智能得以实现。相对于其他企业在人工智能领域的单点突破，英特尔在已经在人工智能领域建立了一套体系，而这套体系正在通过不断的产品研发和收购变得越来越完善，可用度也越来越高。

目前，人工智能的发展仍旧处在非常初级的阶段，人们的注意力也大多集中在人工智能程序的编写以及计算平台的选择上。但随着人工智能应用的逐渐增多，内部互联、外部网络、存储、安全、可用性等一系列问题也必然会出现。而当这些问题出现时，英特尔在人工智能领域中的故事也必然会变得更大、更完整。